Algoritmo de optimización cebra adaptativo mejorado optimizado Kernel Extreme Learning Machine para problemas de predicción de quiebras

Por qué importa predecir la quiebra empresarial

Cuando una empresa colapsa, el daño rara vez se limita a su propio ámbito: desaparecen puestos de trabajo, préstamos quedan impagados, las cadenas de suministro se resienten y las economías locales se tambalean. Poder detectar signos de advertencia de bancarrota con años de antelación es, por tanto, valioso no solo para los directivos, sino también para bancos, inversores y reguladores. Este estudio presenta un nuevo enfoque computacional que examina datos financieros para señalar empresas en problemas de forma más temprana y fiable que muchas herramientas existentes.

Una forma más inteligente de leer las señales financieras

Los métodos tradicionales para pronosticar la quiebra suelen apoyarse en relaciones lineales entre unos pocos ratios financieros, como niveles de deuda o liquidez disponible. Estos enfoques son fáciles de entender pero tienen dificultades con los patrones complejos y no lineales presentes en las cuentas reales de las empresas, especialmente cuando los mercados son volátiles. En los últimos años, los modelos de aprendizaje automático han mejorado la precisión al descubrir patrones sutiles en datos históricos. Un método de este tipo, llamado Kernel Extreme Learning Machine, puede aprender rápidamente relaciones complejas, pero su éxito depende de escoger correctamente un par de parámetros internos. Elecciones pobres pueden hacer que sus predicciones sean poco fiables, y los métodos comunes para afinar esos parámetros son lentos y fáciles de engañar.

Las cebras inspiran una mejor estrategia de búsqueda

Los autores recurren a la naturaleza en busca de ayuda, inspirándose en cómo las manadas de cebras forrajean y se defienden. En su modelo computacional, cada cebra representa una posible solución a un problema de optimización—en este caso, una configuración concreta del modelo de aprendizaje automático. Versiones anteriores de este llamado Algoritmo de Optimización Cebra movían la manada por el espacio de búsqueda, pero tendían a perder diversidad demasiado rápido y a quedar atrapadas en soluciones mediocres. Para corregir esto, los investigadores diseñaron una versión mejorada, llamada EAZOA, que mantiene registro de las mejores “cebras”, permite que algunas realicen saltos exploratorios largos ocasionalmente y trata los bordes del espacio de búsqueda con especial cuidado para que las buenas soluciones cercanas a los límites no sean descartadas.

Poner a prueba la nueva manada con problemas difíciles

Antes de aplicar EAZOA a datos financieros reales, el equipo lo probó en rompecabezas matemáticos exigentes que se usan ampliamente para evaluar algoritmos de búsqueda. En muchos de estos desafíos, y tanto en niveles de complejidad modestos como altos, EAZOA encontró de forma consistente mejores soluciones, con menos variabilidad, que varios competidores bien conocidos, incluidos métodos inspirados en enjambre de partículas, lobos grises y ballenas, así como el enfoque cebra original. Convergió más rápidamente hacia soluciones de alta calidad sin renunciar a una exploración lo bastante amplia para evitar quedar atrapado en óptimos locales, demostrando un buen equilibrio entre exploración general y ajuste fino.

Convertir una mejor búsqueda en mejores predicciones de quiebras

Para comprobar si estas mejoras importan en la práctica, los autores combinaron EAZOA con el Kernel Extreme Learning Machine y entrenaron el modelo resultante en un conocido conjunto de datos polaco que contiene 30 ratios financieros para 240 empresas, aproximadamente la mitad de las cuales quebraron posteriormente. Utilizaron validación cruzada cuidadosa, barajando y dividiendo repetidamente los datos mientras preservaban la proporción de empresas fallidas y sanas, para verificar cómo se generalizaría el sistema a casos no vistos. En comparación con versiones de la misma máquina de aprendizaje afinadas por otros esquemas de optimización, el modelo mejorado con EAZOA alcanzó las puntuaciones más altas en medidas estándar como exactitud, precisión, recall y la puntuación F1, y lo hizo con un rendimiento relativamente estable a través de ensayos repetidos.

Qué significa esto para los observadores del riesgo en el mundo real

Para el público general, el mensaje principal es que la forma en que afinamos un modelo predictivo puede ser tan importante como el propio modelo. Al guiar a una manada virtual de cebras de forma más inteligente por el espacio de posibles configuraciones, los autores obtienen una herramienta de alerta temprana más rápida y fiable para la dificultad empresarial. Aunque los resultados actuales se basan en un único conjunto de datos de tamaño medio de un solo país, sugieren que estas estrategias de búsqueda inspiradas en la biología, cuando se combinan con técnicas de aprendizaje modernas, podrían convertirse en componentes útiles de sistemas que monitorean la salud financiera, ayudando a directivos, prestamistas y reguladores a actuar antes de que una empresa en apuros llegue al punto de no retorno.

Cita: Liu, W., Zhang, Y. & Du, M. Enhanced adaptive zebra optimization algorithm optimized kernel extreme learning machine for bankruptcy prediction problems. Sci Rep 16, 10268 (2026). https://doi.org/10.1038/s41598-026-40651-y

Palabras clave: predicción de quiebras, riesgo financiero, aprendizaje automático, algoritmo de optimización, optimización cebra